Microsoft muscle son modèle de décision pour les agents IA

Microsoft a lancé, vendredi, Microsoft-Decision-1 dans Foundry, un modèle de décision conçu pour accélérer des tâches structurées dans les applications, les agents et les workflows. Le groupe dit l’utiliser déjà en interne, notamment pour le support à l’incident, le tri de retours joueurs et le classement de réponses Copilot. Le sujet compte parce que ces modèles ne servent plus seulement à “réfléchir” : ils orientent aussi des flux de travail, donc une partie du trafic IA. Et quand Microsoft met sa patte sur le sujet, le reste du marché regarde de près.

Un modèle pensé pour trier, router et scorer

Decision-1, décrit par Microsoft comme un outil de “fast decision-making”, a été post-entraîné sur Qwen3.5-9B d’Alibaba, et non sur un modèle OpenAI. Satya Nadella a indiqué sur X : “We’re already testing it across Microsoft,” en citant des usages allant des incidents au classement des retours. Selon la société, Xbox Research l’a utilisé pour trier plus de 10 000 commentaires de joueurs, Copilot pour évaluer des réponses de chat et d’agents, et Microsoft Discovery pour noter des expériences avant une relance d’agent.

Le positionnement est clair : il ne s’agit pas d’un grand modèle généraliste, mais d’un moteur de décision pour des cas bornés. Microsoft le présente comme plus rapide que GPT-6 Sol sur certains tests internes, avec des gains de performance annoncés sur la latence et la qualité. Dans la pratique, l’enjeu n’est pas seulement la vitesse brute. C’est la capacité à décider localement, sans envoyer chaque étape aux modèles les plus coûteux.

Pourquoi Microsoft avance maintenant

Le calendrier est serré. OpenAI a ouvert sa Decisions API en bêta publique trois jours plus tôt, et TypeSafe a profité du moment pour annoncer une Série A de 870 millions de dollars à une valorisation de 7,5 milliards de dollars, avec Jev comme produit phare. Microsoft, lui, arrive environ trois semaines après le lancement de cette catégorie par TypeSafe. Dans ce laps de temps, OpenAI, Upstage, Perplexity, Cloudflare et AWS ont aussi présenté leurs propres modèles de décision.

Le prix, lui, se normalise vite. Decision-1 est affiché à 0,042 dollar par million de tokens d’entrée, avec sortie gratuite, exactement le tarif de Jev selon les éléments fournis. À ces niveaux, le revenu direct sur chaque appel reste faible. L’intérêt pour Microsoft semble plutôt ailleurs : capter les flux d’agents, garder les applications dans Foundry et garder la main sur le routage entre on-device et cloud.

Le vrai sujet : qui décide où passe la requête ?

Microsoft a aussi laissé entendre que GitHub Copilot devra bientôt choisir, pour certaines tâches, entre exécution locale et modèles cloud. Le groupe n’a pas précisé ce qui sera envoyé vers le cloud, ce qui laisse une zone grise [à vérifier]. Cette capacité de routage est l’un des usages mis en avant pour Decision-1. Si le modèle prend pied dans Copilot, GitHub ou Xbox, Microsoft aura tout intérêt à garder cette brique en interne.

On comprend la logique : plus les décisions sont fréquentes, plus elles deviennent un point d’agrégation stratégique. Ce n’est plus seulement une question de coût à la requête. C’est une question de contrôle des chemins empruntés par les agents. Un peu comme un feu tricolore numérique, mais avec des lignes de code et des budgets cloud.

Des limites encore bien visibles

Decision-1 n’est pas encore une réponse complète aux offres concurrentes. Le listing Foundry accepte jusqu’à 32 768 tokens de texte et renvoie du JSON, mais ne gère pas les images, contrairement à la Decisions API d’OpenAI et à Clef de Cloudflare, qui s’appuie sur un encodeur visuel. Microsoft n’a pas non plus annoncé de poids ouverts. La compatibilité exacte avec le System One API adopté par AWS, Upstage et Ollama n’a pas été confirmée, même si l’exemple de code Foundry passe par un point de terminaison /systemone.

Reste aussi la question de la robustesse. Microsoft affirme que les probabilités du modèle sont calibrées, c’est-à-dire qu’un score de 90 % devrait être juste neuf fois sur dix sur des cas représentatifs. Mais l’entreprise recommande elle-même de valider cette calibration sur ses propres données. Les tests cités par Microsoft montrent une variation moyenne de 1,3 % des réponses sous perturbations, tandis que le papier JevOut montre que des ajouts courts et naturels peuvent faire dérailler des systèmes similaires [à vérifier] sur des jeux de données adversariaux. Bref, la confiance est utile, mais pas magique.

Ce que ce lancement dit du marché

Le mouvement confirme que les modèles de décision deviennent une couche à part entière de l’IA d’entreprise. Ils ne remplacent pas les grands modèles généralistes ; ils les encadrent, les orientent et réduisent le coût des arbitrages répétés. Pour Microsoft, l’enjeu est double : défendre Foundry face à OpenAI, tout en proposant une brique utile à des équipes qui veulent automatiser sans tout déléguer à un LLM géant. Et, à ce rythme, la décision elle-même finit presque par devenir un produit.